Tuning-parameter-free propensity score matching approach for causal inference under shape restriction
形状约束下无需调参的倾向得分匹配因果推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接提出倾向得分匹配的因果效应估计方法并讨论其效率。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
形状约束下无需调参的倾向得分匹配因果推断
- 研究问题
- 倾向得分匹配中每个处理单位的匹配数量如何避免人为调节，单调形状约束能否自动形成匹配组并实现高效因果效应估计？
- 方法与思路
- 作者在单调性约束下非参数极大似然估计倾向得分，利用估计值的分段常数结构自动分组，从而构造无需调参的匹配方法。
- 材料陈述的贡献
- 摘要称，单变量协变量或结果与倾向得分依赖同一指数时，估计量具有半参数效率；仅依赖倾向得分的匹配一般不能保证有效率。
- 阅读关注点
- 应核对单调性与因果识别条件、分段常数组内匹配规则、共同指数的处理方式，以及效率结论为何局限于指定协变量结构。
- 阅读边界
- 仅依据所给出版社摘要；完整因果假设、边界处理与有限样本表现未说明，无需调参并不消除形状限制或识别条件的要求。
原文摘要
Propensity score matching (PSM) is a pseudo-experimental method that uses statistical techniques to construct an artificial control group by matching each treated unit with one or more untreated units of similar characteristics. To date, the problem of determining the optimal number of matches per unit, which plays an important role in PSM, has not been adequately addressed. We propose a tuning-parameter-free PSM approach to causal inference based on the nonparametric maximum-likelihood estimation of the propensity score under the monotonicity constraint. The estimated propensity score is piecewise constant, and therefore automatically groups data. Hence, our proposal is free of tuning parameters. The proposed causal effect estimator is asymptotically semiparametric efficient when the covariate is univariate or the outcome and the propensity score depend on the covariate through the same index X⊤β. We conclude that matching methods based on the propensity score alone cannot, in general, be efficient.